深度学习在医学领域

医学领域

医学影像的特点

1. 高依赖成像设备和成像环境;图像种类多差异，很难融合
2. 图像像素大，信噪比低且图像分辨率低
3. 生物个体存在差异性、易变性。

医学病症大致分类

从人类结构来分类，脑(脑血管病，神经’性疾病 阿尔茨海默病，帕金森病，癫痛] ，精神疾病 拥郁症，精神分裂症]，脑瘤等)、胸(心脏疾病，肺结节/肺癌，乳腺结节/乳腺癌等)、颈(颈动脉检测，甲状腺癌等)、眼(糖尿病眼病等)、腹部(胃癌)、男性盆骨(前列腺癌等)、女性盆骨(子宫颈癌等)。
脑部疾病是颅内组织器官(脑膜血管、大脑、小脑、脑干、颅神经等)的炎症、血管病、肿瘤、变性、畸形、遗传病、免疫性疾病、营养代谢性疾病、中毒、外伤、寄生虫病等的总称。胸部疾病主要分布在肺、乳腺、食管、气管、支气管等部位。
腹部包括肝、腆、脾、肾等多个器官，腹部疾病也主要集中在这些器官的损伤上。常见的腹部疾病包括:肝癌、肝炎、前列腺癌、前列腺炎、急性阑尾炎、子宫颈癌等。
常见的眼科疾病有:中心浆液性视网膜病变、干眼症、交感性眼炎、夜盲症、失明眼部结构、弱视、散光、沙眼、白内障、糖尿病视网膜病变、结膜炎、老花眼、色盲、虹膜异色症、视网膜色素变性、视网膜中央动脉阻塞、视网膜脱落、近视、远视、针眼、雪盲症、震粒肿、青光眼、飞蚊症等

深度学习在医学领域的应用

深度学习应用在医学上的问题

1. 深度神经网络可以被有效地用在医学任务上吗？
2. 数据的缺乏，数据的标记成本太高，transfer learning和 fine-tuning被提出来，但是从一般意象到医学领域的迁移学习是否相关？
3. 我们是否可以单独依靠学习的特征，还是可以将它们与人工制作的功能结合起来完成任务？

深度学习在医学影像方面的实际应用

a. 图像分割

Middleton等介绍采用结合神经网络（多层感知器）和snake模型的算法对肺的MR图像进行分割。自动提取脑胶质瘤病灶方法对于脑胶质瘤手术、放射治疗和疗效评估，以及脑胶质瘤放射组学数据自动化分析和进行智能化决策非常重要。Pereira等报道对脑胶质瘤MR图像病灶采用卷积神经网络（CNNs）的方法来自动提取病灶，克服人工处理存在的费时、重复性差的缺点。Zhao和Jia介绍类似的CNNs方法从脑胶质瘤MR图像自动提取病灶，并且取得满意的结果。采用CNNs技术在一定程度上初步解决了病灶自动提取的技术问题。Liang等采用CNNs技术对脑梗塞病灶MRI扩散加权图像（Diffusion-weighted MR Imaging，DWI）进行自动化提取,为建立智能化决策提供有效手段。Dolz等介绍采用CNNS对MRI脑3D图像亚皮质进行自动提取方法，并且与标准数据库进行比较，结果表明与标准数据库结果有很好的一致性。

b. 图像配准

在对不同模式医学图像或多参数医学图像进行图像融合前，必须对图像进行精确配准。Wu等介绍采用非监督学习方法提取图像特征，并进行图像配准。在Wu等研究结果的基础上，Shun等提出采用卷积神经网络回归的方法来进行2D或3D图像配准。先对局部特征进行训练，然后学习将复杂特征采用分层方式进行分解。采用该方法对潜在的临床应用进行定量化评估。Ghesu等介绍采用深度强化学习的方法对CT图像配准的技术，明显提高图像配准的精准度。

c. 病灶检测和辅助诊断

计算机辅助病灶探测Computer-Aided Detection，CAD;或诊断（Computer-Aided Diagnosis, CADx）帮助临床医师明显提高临床诊断的准确性。Huynh等用CNN技术提高对乳腺癌辅助诊断（ROC曲线下面积AUC:0.86）效能。Wang 等报道168例肺癌PET/CT扫描患者，选择1397个淋巴结，以病理作为标准，判断有无转移，并选择4种机器学习和深度学习CNN方法，以10倍数据作为训练组。最后将CNN方法与医师阅读片方法进行比较。结果表明传统方法优于纹理特征分析方法，CNN方法优于医师阅片方法，但是CNN与医师阅读方法之间没有显著差异。机器学习方法具有高的灵敏度，但是特异性比较低。深度学习还有一个优势就是不需要对病灶进行分割，降低误差并明显提高工作效率。

d. 影像组学生物标志物提取

过深度学习技术能够加速将影像组学应用到临床实际工作中去。Parmar等在对影像组学研究经验的基础上，采用深度学习技术理念，对464例肺癌患者CT图像研究。他们将肺癌病灶分成4类，共提取440个影像特征。464例其中310例作为训练组，154例作为验证组，并选择12个分类器对14个特征进行分析，优化分类器和图像特征,验证机器具有很好的诊断效能。Velazquez等介绍肺癌CT图像影像特征与突变基因（EGFR、KRAS）之间的联系。

医学影像模型框架的应用

SAE(stack auto-encoder)

无监督学习方案，得到特征描述为主

RBM(restricted Boltzmann machine)

无监督学习方案，与SAE 类似

CNN(convolutional neural network)

卷积神经网络，可以用来提取图片特征或者直接完成分类检测等任务

RNN(recurrent neural network)

循环神经网络，用来获取时序上的信息，可以+-在CT等逐行扫描图像中使用

U-net (with a single downsampling stage)

类似于带short-cut的全卷机网络，用来融合不同尺度的图像的特征

FCNN(fully convolutional neural network)

全卷机网络，可以获取与原图相同分辨率的图片，常用于分割等任务

FRCNN(Faster Region-proposal based neural network)

一种快速的深度学习检测网络框架，可用于检测图像中的多种物体

在脑部疾病方面的应用

阿尔茨海默病 (Alzheim ‘s Disease , AD) ,是一种起病隐匿的进行性发展的神经系统退行性疾病，最常见的临床特征是患者在晚年陷入痴呆状态。为了提取其脑图像特征，fiu等问从 MRI PET 扫描中提取 83 个感兴趣区域，并使用多模态融合创建一组特征来训练堆叠的去噪自动编码器，文中提出的数据融合策略遵循训练自动编码器的去噪方式，理论上增加了特征学习的难度，但控制了过拟舍。 Suk 用堆叠自编码从 MRI PET 和脑脊液化SF) 图像中独立提取特征;充分考虑了它们的简易精神状态检查 (MMSE)AD 评估表比较组合这些特征;并根据选择的 个卫在 I， PETCSF 特征与多核 SVM 进行 AD 分类。后来，其又采用多模式深度玻尔兹曼机从每个选定的 MRI PET 扫描贴片中提取一个特征，并用 SVM 的集合预测 ADo Payan 基于SAE 的预训练，提出了一种用于 AD 诊断的 3D 卷积神经网络。随机选择 3DMRI 扫描片来预训练 SAE ，训练的 SAE重用于 3D-CNN 的卷积过滤预训练。最后，对 3D-CNN 的全连接层进行微调分类，但是微调需要在训练阶段以牺牲大量的计算复杂度为代价。然而， Hosseini-AS!等分析基于l\但 的特征提取技术限制了 AD 分类的准确性，因为从脑l\但 获得的体素特征非常嘈杂，这些数据需要经过平滑和聚类后才能用于分类，这样经过处理的数据本身就缺乏准确性。为了改进上述传统的特征提取方法，他们提出了一种新的深度监督自适应 3D-CNN 网络，在该网络中， 3D-CAE习并自动提取识别 AD 特征，捕获由 AD 引起的变化。将3D-CAE 预训练的卷积滤波器进一步应用于另一个数据域集，如 Dementia 预训练后的 AD 神经影像学(简称 ADI)数据集。Sarraf 则分别针对 sMRI fMRI 使用卷积神经网络中有名的 LeNet-5 框架对 AD 样本进行训练，分别得到了 98.84% 96.85% 的准确率。
AL-Fatlawi A H ,Jabardi M 等口7J 提出使用深度信念网络(DBN) 作为有效的诊断技术，这种诊断是基于患者的语音信号建立的。 DBN 用于分类帕金森病时包括两个堆叠的限制玻璃玻兹曼机 (RBM) 和一个输出层。需要应用两个阶段的学习来优化网络的参数第一阶段是无监督学习，其使用RBM 来克服可能由于初始权重的随机值而导致的问题;第二阶段，反向传播算法被用作微调的监督学习。该系统的总体测试精度为 94% 。